Exponential minimum sampling

La tecnica distortion-free di watermarking che allinea la generazione dei token a una sequenza pseudo-casuale nota alla chiave, senza alterare la distribuzione.

Exponential minimum sampling (EXP) è una tecnica di in-processing watermarking proposta da Kuditipudi et al. (2023b) che usa un campionamento “exponential minimum” con chiave e inverse-transform sampling per allineare la generazione dei token a una sequenza pseudo-casuale nota solo a chi possiede la chiave.¹ Mantiene la distribuzione di output del modello teoricamente identica a quella non watermarked: appartiene alla famiglia dei metodi distortion-free.¹

Perché è rilevante

È uno dei riferimenti principali per la famiglia dei metodi distortion-free, che non alterano la distribuzione dei token, a differenza del KGW watermarking, che introduce un bias esplicito verso una green list. Il testo resta comunque rilevabile grazie all’allineamento con la sequenza pseudo-casuale nota alla chiave, senza che la distribuzione dei token ne risenta in modo misurabile.¹ Insieme al Gumbel-Max watermarking e all’unbiased watermark, definisce il filone dei metodi che puntano alla massima fedeltà della distribuzione generata.

Limiti

Rimane rilevabile dopo corruzioni moderate del testo, ma le prestazioni calano su output brevi e a bassa entropia: lo stesso tallone d’Achille di quasi tutta la famiglia di tecniche token-level, incluso KGW.¹ Nella sua forma standard campiona la sequenza pseudo-casuale in modo uniforme, senza tenere conto della distribuzione generativa del modello, un limite che il distribution-adaptive watermarking identifica come subottimale.²

Voci correlate

KGW watermarking — il termine di paragone, che introduce un bias esplicito
Gumbel-Max watermarking — la tecnica sorella della famiglia distortion-free
Unbiased watermark — l’altra tecnica distortion-free, basata su reweighting
Distribution-adaptive watermarking — il principio che identifica come subottimale il campionamento uniforme
DAWA — l’implementazione pratica del principio, che usa EXP come baseline
In-processing watermarking — la categoria di appartenenza
LLM watermarking — la voce d’insieme

Bibliografia e sitografia

Phan, T. et al., A Survey on LLM Watermarking: Theory and Deployment, arXiv, luglio 2026.
He, X., Liu, A., Wang, Z., Mao, Y., Bu, Z., Theoretically Grounded Framework for LLM Watermarking: A Distribution-Adaptive Approach, NeurIPS 2025.